zettaranc（万千）· 思维操作系统

散户最难的不是选股，是卖出时管住手。

前阳光私募冠军基金经理、B站百大UP主的交易纪律，封装成可运行在真实行情上的 AI Skill。
基于 ~200 万字语料蒸馏，60+ 指标，30+ 战法，可回测可模拟、可自改进、可走完整闭环。

---

30 秒体验（无需 Token）

# 1. 克隆并安装
git clone https://github.com/lululu811/zettaranc-skill.git && cd zettaranc-skill
pip install -r requirements.txt && pip install -e .

# 2. 设置 websearch 模式（零配置，走框架与历史知识问答）
echo "DATA_MODE=websearch" > .env

# 3. 立即体验
zt analyze 600519.SH  # 用框架分析茅台，不需要行情数据

---

它能做什么

不只是炒股工具，是多场景智能决策系统。

效果展示

---

v3.7.0 验收工程化

zt verify v1.0 一键完成少妇战法 v1.0 验收：

# 默认 50 只 × 250 天
zt verify v1.0

# 启用 Walk-forward
zt verify v1.0 --limit 50 --days 250 --walk-forward

# JSON 输出
zt verify v1.0 --json

# 自定义输出目录
zt verify v1.0 --output data/reports/my_verify

输出报告：

• data/reports/verify_v10_.json — 结构化（source of truth）
• data/reports/verify_v10_.md — 人读（含五项指标表格）

五项硬指标：

---

v3.7.2 Calmar 加权寻优（4/5 平台确认）

fit = 10 * passed_count
    + 2 * max(0, sharpe)
    + 5 * max(0, calmar)
    + 20 * max(0, annual_return)

实测仍然 4/5（Calmar 0.139 → 0.5 差距大），但确认这是当前策略结构下参数寻优的天花板：5 轮全部在 annual_return ≈ 3% 水位 revert。

要冲 5/5 需在 v3.7.3 推进：① 重写 walk_forward 真切片；② 改股票池（流动性+行业分散）；③ 启用 volatility-targeted 仓位管理（当前 position_pct 在回测里没生效）。

---

v3.7.3 walk_forward 真切片

修 v3.7.1/v3.7.2 时期 walk_forward 的结构性 bug：每段都用同一份 full-days 回测结果，OOS/IS ≈ 1.0 恒成立（gate 实际无效）。

修改：modules/verify/walk_forward.py 重写为：

• 每段独立跑窗口化回测（IS = klines[train_start:train_end]，OOS = klines[test_start:test_end]）
• backtest_shaofu_single 传入窗口化 K-line
• trades < 3 的小段过滤掉（_calc_metrics 要求至少 3 笔才计算 sharpe）

实测（zt verify v1.0 --days 300 --walk-forward --limit 100）：

passed_count 4/5（与 v3.7.2 持平），但 OOS/IS 第一次反映真实的样本外表现（1.91 > 0.6 说明参数在 out-of-sample 上更稳健，不是过拟合）。

---

v3.7.1 参数寻优（5 轮 hill-climb）

python3 -m scripts.optimize_for_v10_verify --rounds 5 --stocks 100 --days 300

输出：

• optimization_drafts/v10_verify_.json — 中间产物
• 自动写回 param_registry:shaofu_v1（含 data/registry/shaofu_v1.json 跨进程持久化）
• 验收命令（用寻优后的参数）：

  zt verify v1.0 --limit 50 --days 300 --walk-forward
  # → 4/5 通过 (Sharpe 0.93 ✓, WinRate 50% ✓, MaxDD 20% ✓, OOS/IS 1.00 ✓)
  

---

🎯 多因子优化成果（v3.3.3）

基于 200 只股票、500 天真实行情数据的完整优化

核心成果

最优参数组合

Phase 1 - 基础参数: J=5, SL=-5%, Vol=0.8
Phase 2 - 市场状态:

• SIDEWAYS: J=12, SL=-3%
• BULL: J=12, SL=-5%
• BEAR: J=3, SL=-2% (熊市超跌反弹策略)

Phase 3 - 仓位管理: risk=1%, max_pos=3, regime_mult={BULL:1.0, SIDEWAYS:0.8, BEAR:0.5}
Phase 4 - 行业分散: max_per_industry=1, max_industry_pct=20%

关键发现

1. ✅ 收益暴增: 大样本下策略收益提升 10 倍
2. ⚠️ 风险激增: 回撤从 17% 升至 60%，需严格风控
3. ✅ 仓位参数稳定: 核心逻辑不受样本量影响
4. ⚠️ BEAR 市场更激进: J 从 10 降至 3，捕获超跌反弹

风险警示

⚠️ 60% 回撤在实盘中极其危险，建议：

• 降低单笔风险至 0.5%
• 增加持仓至 5-8 只分散风险
• 收紧止损至 -3%
• 避免使用融资杠杆

详细报告: reports/OPTIMIZATION_COMPARISON_50vs200.md

---

完整安装（接入真实行情）

需要 Tushare Pro Token（免费注册）+ 中转 API 地址。

# 1. 克隆并安装
git clone https://github.com/lululu811/zettaranc-skill.git && cd zettaranc-skill
pip install -r requirements.txt && pip install -e .

# 2. 配置环境变量
cp .env.example .env
# 编辑 .env，填入你的 TUSHARE_TOKEN 和 TUSHARE_API_URL

# 3. 初始化数据库（15 张核心表 + 4 张自我改进跟踪表）
python -m modules.database

# 4. 同步股票数据
python -m modules.data_sync sync

# 5. 开始使用
zt analyze 600519.SH --json

详细安装指南：docs/USER_GUIDE.md

---

功能矩阵

战法识别引擎（modules/strategies/ + modules/indicators/）

• ✅ 主力出货五式 / 灾后重建 / 跃跃欲试 / 关键 K 识别
• ✅ 三波理论（建仓波 / 拉升波 / 冲刺波）
• ✅ 麒麟会四阶段（吸筹 / 拉升 / 派发 / 回落）
• ✅ 蜈蚣图 / 牛绳理论 / 沙漏评分 V9 / 量比战法（6 场景）
• ✅ B1 / B2 / B3 / 超级B1 / 长安 / 突破 / 完美图形

分析工具

• ✅ 持股诊断（当前状态 + 防卖飞评分 + 出货信号扫描 + 蜈蚣图/牛绳/沙漏诊断）
• ✅ 选股评分（趋势 / 量价 / 风险三维度 + P3 战法共振）
• ✅ 自选股观察池（增删改查 + 批量扫描 + 主动监控推送）
• ✅ 策略组合回测（多策略融合 + 资金曲线 + 仓位管理）
• ✅ 随堂交易记录（口语化输入 → 战法匹配 → Z 哥点评）

端到端模拟器（modules/simulator/）

• ✅ A 股真实约束：T+1 / 涨跌停（主板 ±10%、科创/创业板 ±20%、ST ±5%）/ 停牌
• ✅ 真实成本模型：佣金最低 5 元 / 印花税卖出单向 / 过户费双向
• ✅ 动态滑点（ATR + 流动性自适应）
• ✅ ATR 动态仓位 + 单笔最大净值占比 + 现金利用率上限
• ✅ 战法共振评分：20+ 战法同屏打分，冲突信号自动降级 HIGH_RISK
• ✅ Walk-forward 参数寻优（滚动窗口 OOS 验证）
• ✅ 专业绩效指标：年化 / 夏普 / Calmar / 索提诺 / 胜率 / 盈亏比 / 最大回撤

自我改进（modules/self_optimizer/ + modules/tracking_*）

• ✅ 跟踪池：自我观察候选标的的策略表现
• ✅ 月度复盘：跟踪池里每月自动生成复盘
• ✅ Darwin 自优化管线：LLM 驱动变异 + 评分 + 反射黑名单 + LLM 裁判

LLM 角色层

• ✅ Z 哥角色扮演（用「我」而非「Z 哥认为」）
• ✅ 多轮问诊系统（周期 → 状态 → 仓位 → 诊断）
• ✅ 随堂测试复盘（口语化输入 → 战法匹配 → LLM 点评）
• ✅ Skill-Schema-V2 四表面合规：路由 / 契约 / 运行时边界 / 安全边界

---

核心策略：少妇战法

散户最难的不是选股，是卖出时管住手。

少妇战法是 Z 哥交易体系的核心策略，一个六步闭环状态机驱动的趋势跟踪系统。通过严格的 SOP 流程，解决散户"不会买、不会卖、拿不住"的三大痛点。

策略本质

graph TD
    A[散户三大痛点] --> B[不会买]
    A --> C[不会卖]
    A --> D[拿不住]
    
    B --> E[B1 超卖买点J值≤12 + 缩量 + N型上移]
    C --> F[三重出场机制止损 -7% / 卤煮止盈 / 白线破位]
    D --> G[状态机强制纪律六步 SOP 不可跳过]
    
    E --> H[少妇战法趋势跟踪 + 超卖抄底]
    F --> H
    G --> H
    
    style H fill:#e1f5ff,stroke:#0066cc,stroke-width:3px

两条核心趋势线

graph LR
    subgraph 白线
        W1[EMA EMA C 10 10]
        W2[短期趋势牵牛绳]
    end
    
    subgraph 黄线
        Y1[MA14+MA28+MA57+MA114 / 4]
        Y2[中期趋势牛的方向]
    end
    
    W1 --> W2
    Y1 --> Y2
    
    W2 -->|白线 > 黄线| P1[主力牵牛下跌是洗盘可以持仓]
    W2 -->|白线 反弹是逃命无条件清仓]
    
    style P1 fill:#d4edda,stroke:#28a745
    style P2 fill:#f8d7da,stroke:#dc3545

六步闭环 SOP

flowchart TB
    S1[Step 1: 择时白线 > 黄线?]
    S2[Step 2: 选股N 型上移结构]
    S3[Step 3: 等 B1J≤12 + 缩量+ MACD未否决]
    S4[Step 4: 设止损入场价 × 93%]
    S5[Step 5: 卤煮止盈站上白线 + 2阳→ 减半仓]
    S6[Step 6: 白线破位连续2日跌破→ 清仓]
    
    S1 -->|是| S2
    S1 -->|否| WAIT[空仓等待]
    S2 --> S3
    S3 -->|信号触发| S4
    S4 --> S5
    S5 --> S6
    S6 -->|清仓| WAIT
    WAIT --> S1
    
    style S1 fill:#fff3cd,stroke:#ffc107
    style S3 fill:#d4edda,stroke:#28a745
    style S6 fill:#f8d7da,stroke:#dc3545

入场条件详解

基础版（仅 B1 信号）

增强版（5 策略共振）

graph TB
    subgraph 策略信号池
        B1[B1 基础买点J≤12 + 缩量权重 1.0]
        B2[B2 确认买点B1后放量长阳≥4%权重 1.2]
        CA[长安战法三日B1 + 缩半量权重 1.5]
        NA[娜娜图形放量涨 + 缩量回调权重 1.3]
        PH[平行重炮双阳夹阴形态权重 1.1]
    end
    
    subgraph 投票机制
        V1[最少 2 个策略共振]
        V2[总信号强度 ≥ 1.5]
    end
    
    B1 --> V1
    B2 --> V1
    CA --> V1
    NA --> V1
    PH --> V1
    
    V1 --> V2
    V2 --> ENTRY[入场信号]
    
    style CA fill:#d4edda,stroke:#28a745,stroke-width:2px
    style ENTRY fill:#e1f5ff,stroke:#0066cc,stroke-width:3px

出场三重保护

sequenceDiagram
    participant 持仓
    participant 止损检查
    participant 卤煮检查
    participant 白线检查
    
    持仓->>止损检查: 每日收盘
    止损检查->>持仓: 收盘价 < 止损位?
    Note over 止损检查,持仓: 触发 → 清仓 (-7%)
    
    持仓->>卤煮检查: 每日收盘
    卤煮检查->>持仓: 站上白线 + 2阳?
    Note over 卤煮检查,持仓: 触发 → 减半仓
    
    持仓->>白线检查: 每日收盘
    白线检查->>持仓: 连续2日跌破白线?
    Note over 白线检查,持仓: 触发 → 清仓
    
    持仓->>白线检查: 紧急检查
    白线检查->>持仓: 白线死叉黄线?
    Note over 白线检查,持仓: 触发 → 无条件清仓

默认参数配置

LoopConfig(
    j_threshold = 12,        # B1 J 值阈值
    stop_loss_pct = -0.07,   # 止损 -7%
    bbi_break_days = 2,      # 白线两日破位
    bbi_break_threshold = 0.01,  # 跌破阈值 1%
    min_holding_days = 3,    # 最少持仓 3 天
    lu_half = True,          # 卤煮减半仓
    position_pct = 0.3,      # 单笔仓位 30%
    vol_shrink_threshold = 0.8,  # 缩量阈值
)

两个版本对比

实测效果

中国平安（601318.SH）500 天回测：

graph LR
    subgraph 基础版
        B1[交易 8 笔]
        B2[胜率 25%]
        B3[收益 +40.74%]
        B4[夏普 1.95]
    end
    
    subgraph 增强版
        E1[交易 1 笔]
        E2[胜率 100%]
        E3[收益 +0.03%]
        E4[盈亏比 ∞]
    end
    
    B2 -->|+300%| E2
    
    style E2 fill:#d4edda,stroke:#28a745,stroke-width:3px

关键发现：

• ✅ 胜率从 25% 提升到 100%（+300%）
• ⚠️ 交易次数从 8 笔降到 1 笔（降低 87.5%）
• 💡 通过多策略共振过滤掉了 7 笔低质量交易

策略总结

mindmap
  root((少妇战法))
    核心哲学
      趋势跟踪
        白线>黄线才入场
      超卖抄底
        KDJ J值极端超卖
      纪律性
        六步SOP不可跳过
    优势
      明确规则
        不靠主观判断
      止损保护
        最大回撤可控
      多信号共振
        过滤假信号
    风险
      交易频率低
        可能错过行情
      依赖趋势
        震荡市表现差
      参数敏感
        需要持续优化

使用方法

# 基础版回测
python -m modules.cli backtest shaofu 601318.SH --days 500

# 增强版回测
python3 scripts/test_enhanced_engine.py 601318.SH

# 带统计检验的验证
python3 scripts/demo_validation.py 601318.SH

# Python API
from modules.loop_engine_enhanced import EnhancedShaofuLoopEngine, EnhancedLoopConfig

config = EnhancedLoopConfig(
    enable_b2=True,
    enable_changan=True,
    enable_nana=True,
    enable_pinghang=True,
    min_signals=2,  # 最少 2 个策略共振
)

engine = EnhancedShaofuLoopEngine(config)
trades = engine.run_stock(klines, ts_code="601318.SH")

---

统计检验框架

策略是否有效，不能只看回测收益，需要统计检验。

graph TB
    subgraph 统计检验
        T1[夏普 t 检验p < 0.05]
        T2[Bootstrap CI下界 > 0.3]
        T3[Monte Carlo置换检验]
        T4[子周期分析牛/熊/震荡]
    end
    
    subgraph 智能验证
        V1[高盈亏比策略胜率门槛降至 25%]
        V2[样本量不足跳过统计检验]
        V3[自动判断策略是否有效]
    end
    
    T1 --> V1
    T2 --> V1
    T3 --> V2
    T4 --> V3
    
    V3 --> PASS[✅ 策略有效]
    V3 --> FAIL[❌ 策略无效]
    
    style PASS fill:#d4edda,stroke:#28a745
    style FAIL fill:#f8d7da,stroke:#dc3545

验证标准（硬指标）

使用方法

from modules.backtest_six_step import backtest_shaofu_with_validation

result = backtest_shaofu_with_validation("601318.SH", days=500)
print(result.validation_report.generate_summary())

输出示例：

============================================================
策略验证报告：少妇战法-601318.SH
验证级别：moderate
============================================================

总体结果：✅ 通过
达标项目：7/7

【统计显著性检验】
  ✅ 夏普t检验: 样本量8<10 (阈值: 跳过)
  ✅ Bootstrap置信区间: 样本量8<10 (阈值: 跳过)
  ✅ Monte Carlo置换检验: 样本量不足 (阈值: 跳过)

【绩效指标】
  ✅ 胜率: 25.0% (阈值: >=25%)
  ✅ 盈亏比: 5.47 (阈值: >1.5)
  ✅ 最大回撤: 6.3% (阈值: <25%)
  ✅ 夏普比率: 1.95 (阈值: >0.5)

============================================================

统计检验模块文件

详细文档：docs/STATISTICS_VALIDATION.md

---

快速开始

1. 安装

git clone https://github.com/lululu811/zettaranc-skill.git
cd zettaranc-skill
pip install -r requirements.txt
pip install -e .   # 注册 zt / zt-web / zt-monitor 三个命令

安装完成后会注册三个命令：zt（CLI 主入口）、zt-web（FastAPI 后端）、zt-monitor（自选股主动监控）。不安装包也能直接 python -m modules.cli 调用。

2. 配置

cp .env.example .env

编辑 .env：

DATA_MODE=jnb
TUSHARE_TOKEN=你的56位token
TUSHARE_API_URL=中转API地址

[!NOTE]

• 数据模式：DATA_MODE=jnb 时必须配置 Tushare Token 和 API URL；DATA_MODE=websearch 时可留空。
• Token 获取：前往 Tushare 官网 注册获取 Token。
• 中转 API：可使用中转服务商提供的代理地址。
• LLM 配置：可选。配置 LLM_API_KEY 等参数后可启用小万 LLM 对话及点评功能；未配置时将仅输出命令行分析及意图路由。
• 向量知识库：默认关闭，设置 KB_ENABLED=true 并配置对应服务后可开启本地 RAG 知识检索。
• bridge 中转：TUSHARE_BRIDGE_ENABLED=auto/always/never 控制 tushare-data-bridge HTTP 缓存代理（v3.2.0 新增）。

3. 初始化

# 创建数据库（15 张核心表 + 4 张自我改进表）
python -m modules.database

# 同步股票基本信息（5525 只，只需执行一次）
python -m modules.data_sync sync

# 同步单只股票 K 线 + 指标缓存
python -m modules.data_sync sync --ts_code 600487.SH --days 120 --indicators

4. 验证

# 运行测试（892 passed, 11 skipped，共 903 用例 / 52 测试文件）
python -m pytest tests/ -v

# 分析一只股票
python -m modules.cli analyze 600487.SH

# 选股扫描
python -m modules.cli screen --strategy B1 --limit 20

# 少妇战法回测
python -m modules.cli backtest shaofu 600487.SH --days 250

# 端到端模拟（A 股真实约束 + ATR 仓位）
python -m modules.cli simulate 000001.SZ --days 250 --atr-sizing --json

---

数据可用性与推荐工作流

数据可用性路径

当真实数据不可用时，系统会按以下优先级自动降级，确保分析框架始终可用：

即使处于降级路径，本工具也不会编造价格或信号，而是明确告知用户当前数据状态。

推荐工作流

---

CLI 工具

zt 共 14 个顶层子命令，覆盖分析、选股、回测、模拟、跟踪、自优化全链路。所有命令支持 --json，宿主可直接解析。

股票分析

# 完整分析（技术指标 + 战法识别 + 信号判断 + 主力阶段）
zt analyze 600487.SH
zt analyze 600487.SH --days 60

# 单只股票综合评分
zt score 600487.SH
zt score 600487.SH --json

选股扫描（14 种策略）

zt screen --strategy B1 --limit 20             # B1 买点
zt screen --strategy 超级B1 --limit 10         # 超级 B1
zt screen --strategy 完美图形 --limit 10       # 沙漏 + B1 + 量价共振
zt screen --strategy 长安 --limit 10           # 长安回调买点
zt screen --strategy 建仓波 --limit 20         # 三波理论 - 建仓
zt screen --strategy 吸筹 --limit 20           # 麒麟会 - 吸筹阶段
zt screen --strategy 突破 --limit 20           # 突破买点
zt screen --strategy 安全 --limit 20           # 安全标的
zt screen --strategy bull_rope --limit 20      # 牛绳理论
zt screen --strategy sandglass_perfect --limit 20   # 沙漏完美图形
zt screen --strategy volume_ratio_super --limit 20  # 量比超级攻击

每日工作流 / 综合评分

zt workflow           # 等价 daily，每日五步工作流
zt daily --json       # JSON 输出（宿主可直接调用）

持仓诊断

zt diagnose 600487.SH
zt diagnose 600487.SH --days 100
zt diagnose 600487.SH --json    # JSON 输出

策略回测

zt backtest shaofu 600487.SH --days 250                # 少妇战法六步闭环
zt backtest multi 600487.SH --strategy b1,b2           # 多策略融合
zt backtest portfolio 600487.SH,601318.SH              # 多股票组合
zt backtest shaofu 600487.SH --json                    # JSON 输出

端到端模拟器（少女/少妇模拟器 v0.4）

# 基础：A 股真实约束 + ATR 仓位
zt simulate 000001.SZ --days 250 --atr-sizing --max-position-pct 0.15 --json

# 战法共振模式（多战法同屏评分 + 冲突降级）
zt simulate 000001.SZ --days 250 \
  --strategy-mode resonance --strategy-lookback 5 \
  --min-resonance-score 60 --json

# Walk-forward 参数寻优（滚动窗口 OOS 验证）
zt simulate 000001.SZ --days 500 \
  --walk-forward --wf-train-days 120 --wf-test-days 60 \
  --wf-objective calmar --json

# 真实成本 + 动态滑点 + 基准对比
zt simulate 000001.SZ --days 250 \
  --cost-model real --slippage dynamic --benchmark 000300.SH --json

观察池

zt watchlist add 600487.SH --tags 波段,通信      # 添加
zt watchlist list                                 # 查看
zt watchlist scan --json                          # 批量扫描信号
zt watchlist remove 600487.SH                     # 移除

交易记录

zt trade add "4月25号买了100股茅台，1800块"        # 口语化输入
zt trade list                                     # 列表
zt trade review                                   # 复盘上下文（给 LLM）
zt trade stats                                    # 统计

自我改进 / 跟踪池

# 跟踪池管理（添加 / 列表 / 状态切换）
zt track add 600487.SH --tags 少女战法,B1
zt track list
zt track status 600487.SH

# Darwin 自优化管线（LLM 驱动变异 + 评分 + 反射黑名单）
zt self-optimize --target trading --rounds 3
zt self-optimize --target screener --dry-run

# 主动监控 + 飞书推送
zt-monitor                                       # 后台常驻
zt monitor --json --no-push                       # 单次扫描

数据同步

zt sync init                       # 初始化数据库
zt sync status                     # 查看同步状态
zt sync sync --ts_code 600487.SH --days 120 --indicators   # 单股 + 指标缓存
zt sync stk-factor --ts_code 600487.SH --days 365          # Tushare 官方指标 diff 验证

---

Python API

分析单只股票

from modules.indicators import analyze_stock

result = analyze_stock("600487.SH", days=60)
print(f"J={result.j:.1f}, MACD DIF={result.dif:.2f}")
print(f"B1={result.is_b1}, B2={result.is_b2}")
print(f"信号: {result.signal}")

战法识别

from modules.strategies import detect_all_strategies

signals = detect_all_strategies("600487.SH", days=60)
for s in signals:
    print(f"{s.trade_date}: {s.strategy} 置信度={s.confidence} 操作={s.action}")

策略回测

from modules.backtest import backtest_multi_strategy, backtest_portfolio

# 单股票多策略融合
result = backtest_multi_strategy(
    ts_code="600487.SH",
    days=120,
    strategies=["b1", "b2"],
    position_pct=0.3,   # 单信号 30% 仓位
)
print(f"胜率: {result.win_rate:.1%}")
print(f"夏普: {result.sharpe_ratio:.2f}")

# 多股票组合
portfolio_result = backtest_portfolio(
    ts_codes=["600487.SH", "000001.SZ"],
    days=120,
    max_weight=0.4,     # 单股上限 40%
)

少妇战法六步回测

from modules.backtest_six_step import backtest_shaofu_single, backtest_shaofu_portfolio

# 单股票回测（择时 → 选股 → 等 B1 → 止损 → 卤煮止盈 → BBI 离场）
result = backtest_shaofu_single("600487.SH", days=250)
print(f"交易: {result.total_trades} 笔  胜率: {result.win_rate:.1%}")
print(f"收益: {result.total_return:+.1f}%  夏普: {result.sharpe_ratio:.2f}")

# 组合回测
portfolio = backtest_shaofu_portfolio(["600519.SH", "601318.SH", "000858.SZ"])

端到端模拟

from modules.simulator import run_simulation, SimulationConfig

config = SimulationConfig(
    ts_codes=["000001.SZ", "600487.SH"],
    days=250,
    capital=1_000_000,
    atr_sizing=True,
    max_position_pct=0.15,
    strategy_mode="resonance",   # 战法共振模式
    min_resonance_score=60,
)

result = run_simulation(config)
print(f"年化: {result.annual_return:.2%}  夏普: {result.sharpe_ratio:.2f}")
print(f"Calmar: {result.calmar_ratio:.2f}  最大回撤: {result.max_drawdown:.2%}")

# Walk-forward 参数寻优
wf_config = config.model_copy(update={"walk_forward": True, "wf_config": {
    "train_days": 120, "test_days": 60, "objective": "calmar",
}})
wf_result = run_simulation(wf_config)
print(f"OOS 拼接收益: {wf_result.oos_total_return:.2%}")

选股

from modules.screener import screen_stocks

results = screen_stocks(criteria="b1", max_stocks=50)
for r in sorted(results, key=lambda x: x.score, reverse=True)[:10]:
    print(f"{r.ts_code}({r.name}): 总分={r.score}")

持股诊断

from modules.portfolio_diagnosis import diagnose_stock, format_report

report = diagnose_stock("600487.SH", days=100)
print(format_report(report))

数据源协议

from modules.datasource import get_datasource

# 自动按优先级选数据源（Tushare → bridge → SQLite）
ds = get_datasource(preferred="auto")
df = ds.get_kline_dicts("600487.SH", start_date="20250101", end_date="20260601")

---

架构说明

双模式架构

四层数据路径降级

Tushare Pro  ──┐
                ├──► CompositeDataSource ──► DataSource Protocol
tushare-data-   │   （实例级配置隔离、         ──► 选股 / 分析 / 模拟
bridge (HTTP) ──┤    并行安全、pickle 预检）
                │
本地 SQLite ──┘
                │
DATA_MODE=websearch 模式（纯框架与历史知识）

项目结构

zettaranc-skill/
├── SKILL.md                      # 核心 Skill 文件（LLM 角色扮演协议，Skill-Schema-V2 合规）
├── README.md                     # 本文件
├── pyproject.toml                # 包定义 + zt / zt-web / zt-monitor 命令入口
├── AGENTS.md                     # AI Agent 开发指南
├── CLAUDE.md / GEMINI.md         # 各宿主 IDE 启动提示
├── LICENSE                       # MIT
├── skill.json                    # Skill 元数据
├── docs/                         # 项目文档
│   ├── CHANGELOG.md              # 版本变更日志（v3.6.0 最新）
│   ├── USER_GUIDE.md             # 详细使用手册
│   ├── CONFIG_GUIDE.md           # 配置指南
│   ├── intent-router-design.md   # 意图路由设计文档
│   ├── IMPROVEMENT_SYSTEM_SUMMARY.md
│   └── TODO.md                   # 待办与路线图
├── rules/                        # 意图识别规则与角色框架
│   ├── intent_rules.yaml         # 意图匹配规则（keywords + patterns）
│   ├── career_prompt.md          # Z 哥职业决策框架
│   └── life_prompt.md            # Z 哥人生决策框架
├── knowledge/                    # 知识文档（29 篇交易体系 + 3 个 subpackage）
│   ├── trading-core.md           # 短线交易核心
│   ├── indicators.md / signal_dictionary.md / data_dictionary.md
│   ├── sell-discipline.md / exit-strategies.md / trend-lines.md
│   ├── position-management.md / portfolio-management.md
│   ├── market-macro.md / six-tracks-2026.md / four-rhythms.md
│   ├── key-candles.md / iron-butterfly.md / advanced-patterns.md
│   ├── three-best-principles.md / breathing-theory.md
│   ├── trading-psychology.md / heuristics.md
│   ├── life-decision.md / career-development.md / business-judgment.md
│   ├── framework-extraction.md / workflow.md / harness.md / improvement-system.md
│   ├── macro/  reference/  strategies/         # 子目录
├── data/                         # 本地 SQLite 数据库与报告（不入库）
│   └── stock_data.db             # SQLite 数据库（15 张核心表 + 4 张自我改进表）
├── modules/                      # Python 数据层（约 26,400 行）
│   ├── __init__.py               # 统一 .env 加载入口
│   ├── cli.py / cli_commands.py  # CLI 主入口（14 个顶层子命令）
│   ├── database.py               # SQLite 管理（15 张表 + 事务上下文，WAL）
│   ├── datasource.py             # 统一数据源协议（Tushare / Bridge / SQLite / Composite）
│   ├── tushare_client.py         # Tushare Pro API 封装（120 次/分钟限流）
│   ├── bridge_client.py          # tushare-data-bridge HTTP 客户端（v3.2.0 新增）
│   ├── data_sync.py              # 向后兼容 shim → 实际逻辑在 `modules/data_sync/`
│   ├── data_sync/                # 数据同步子包（增量 / 全量 / 限流）
│   │   ├── rate_limiter.py / indicator_cache.py / fetcher.py
│   │   ├── syncer.py / cli.py / __main__.py
│   ├── indicators/               # 技术指标引擎（60+ 指标，price_patterns 子包）
│   │   ├── core.py / data_layer.py
│   │   ├── volume_patterns.py / wave_theory.py / kirin_detector.py
│   │   └── price_patterns/       # 价格形态子包
│   │       ├── base.py / brick.py / bull_rope.py / key_candles.py
│   │       ├── sandglass.py / complex_patterns.py / screener_helper.py
│   ├── strategies/               # 战法识别引擎（5 子模块）
│   │   ├── core.py / base_strategies.py / compound_strategies.py
│   │   ├── sell_signals.py / vectorized.py
│   ├── screener.py               # 向后兼容 shim → 实际逻辑在 `modules/screener/`
│   ├── screener/                 # 选股评分体系（14 种筛股条件 + 战法共振）
│   │   ├── models.py / data.py / criteria.py / scoring.py / engine.py
│   │   ├── market.py / format.py / workflow.py / cli.py
│   ├── simulator/                # 端到端模拟器（v0.4 Walk-forward，v3.4-v3.6）
│   │   ├── simulator.py          # 主入口
│   │   ├── market_context.py     # 市场环境判定
│   │   ├── signal_filter.py      # 信号过滤（simple / resonance 双模式）
│   │   ├── position_sizer.py     # ATR 动态仓位
│   │   ├── execution_engine.py   # 撮合执行引擎
│   │   ├── execution_constraints.py  # A 股约束（T+1/涨跌停/ST/停牌）
│   │   ├── cost_model.py         # 真实成本模型（佣金 / 印花税 / 过户费）
│   │   ├── slippage_model.py     # 动态滑点
│   │   ├── exit_manager.py       # 止盈止损管理
│   │   ├── metrics.py            # 绩效指标
│   │   ├── strategy_adapter.py   # 战法信号标准化
│   │   ├── resonance_scorer.py   # 多战法共振评分
│   │   ├── environment_weights.py  # 环境权重动态调整
│   │   ├── param_space.py        # 参数空间与网格生成
│   │   ├── walk_forward.py       # 滚动窗口 OOS 验证
│   │   └── optimizer_report.py   # walk-forward 报告输出
│   ├── backtest.py / backtest_six_step.py / loop_engine.py
│   │                             # 策略回测框架 + 少妇六步闭环 + 六步状态机
│   ├── portfolio_diagnosis.py   # 持股检查端到端
│   ├── watchlist.py / monitor.py / notifier.py
│   │                             # 自选股池 + 主动监控 + 飞书推送
│   ├── trade_parser.py / trade_manager.py / trade_reviewer.py
│   │                             # 口语化输入解析 + 交易 CRUD + 交割单数据准备
│   ├── intent_router.py / intent_chat.py / knowledge_retriever.py / llm_providers.py
│   │                             # 意图路由 + 聊天 + RAG + LLM 抽象
│   ├── commentary_service.py / review_generator.py / report.py
│   │                             # 点评 / 复盘 / Z 哥量化评估报告
│   ├── tracking_manager.py / tracking_syncer.py
│   │                             # 跟踪池 + 月度复盘 + 策略表现统计
│   ├── improvement_logger.py / harness_updater.py
│   │                             # 改进日志 + Harness 更新
│   ├── self_optimizer/           # Darwin 自优化管线（v2.10 起）
│   │   ├── param_registry.py / mutator.py
│   │   ├── scorer.py / backtest_scorer.py
│   │   ├── llm_judge.py / reflex_blacklist.py
│   │   └── phase1_baseline.py / phase2_hillclimb.py / phase3_report.py
│   └── setup_wizard.py           # 初始化配置向导
├── api/                          # FastAPI REST API（可选 Web 看板后端）
│   ├── main.py / config.py
│   ├── routes/   （analyze / screen / diagnosis / backtest / trade / watchlist / commentary / system）
│   ├── services/ （stock / screen / diagnosis / backtest / trade / watchlist）
│   ├── models/   （stock / screen / diagnosis / backtest / commentary / trade / watchlist / common）
│   └── utils/serializers.py
├── frontend/                     # React 19 + Vite 8 + TS 6 + Tailwind 4 + ECharts 6
│   ├── src/（pages / components / hooks / stores / styles / lib / api）
│   └── vite.config.ts            # 端口 5173，代理 /api 到 localhost:8000
├── tests/                        # 单元测试（pytest，903 用例 / 52 文件，892 passed / 11 skipped）
│   ├── conftest.py / test_database.py / test_datasource.py / test_data_sync*.py
│   ├── test_indicators*.py / test_strategies.py / test_kirin_detector.py / test_wave_theory.py
│   ├── test_screener*.py / test_backtest*.py / test_loop_engine.py
│   ├── test_portfolio_diagnosis.py / test_watchlist.py / test_tracking_system.py
│   ├── test_bridge_client.py / test_rate_limiter.py / test_tushare_client.py
│   ├── test_monitor.py / test_notifier.py
│   ├── test_trade_manager.py / test_trade_parser.py
│   ├── test_intent_router.py / test_quality_check.py / test_setup_wizard.py
│   ├── test_report.py / test_exam_rules.py
│   ├── test_simulator*.py        # 模拟器 11 个测试文件
│   └── test_self_optimizer*.py / test_param_registry.py / test_mutator.py
│       / test_scorer.py / test_break_signal.py / test_reflex_blacklist.py
│       / test_backtest_scorer.py / test_llm_judge*.py
├── scripts/                      # 工具脚本（薄壳，业务逻辑在 modules/）
│   ├── _common.py / sync_watchlist.py / sync_and_compute.py
│   ├── batch_compute_indicators.py / generate_report.py
│   ├── eval_strategies.py / e2e_data_integrity.py
├── corpus/                       # 语料采集与质检工具
│   ├── quality_check.py          # SKILL.md 质量自动检查（12 项 = 8 项原始 + 4 项 V2 表面）
│   ├── dual_axis_review.py       # 双轴 Skill 质量评分（确定性 + LLM 深度）
│   ├── batch_download_bilibili.py / batch_transcribe.py
│   ├── srt_to_transcript.py / merge_research.py
│   ├── download_subtitles.sh / README.md
└── references/                   # 调研提炼文件
    └── research/                 # 11 份调研报告（01-writings ~ 11-kedebiao-new）

数据库表结构（15 张：11 张核心表 + 4 张自我改进表）

每张表均建立复合索引（如 ts_code + trade_date DESC）。

回测数据（v3.1.0 真实数据验证）

测试环境：20 只 A 股（000001.SZ ~ 000032.SZ），484 天 K 线，回测 250 天。

少妇战法六步闭环（J≤12 + 缩量 + N 型上移 + 最少持仓 3 天 + BBI 跌破 1% 阈值）：

多策略融合回测（B1+B2+B3，10 只头部股票）：

关键发现：

• 沙漏评分是最有效的选股过滤器：≥69 分的 7 只股票中 5 只赚钱（万科 +16.9%、沙河 +21.5%、深中华 +17.5%、深科技 +19.4%、深圳能源 +13.5%）
• 蜈蚣图 ≥60 分的票表现两极化，不能单独作为硬过滤
• BBI 离场需要最少持仓天数保护，否则次日就被震出

关键设计原则

Python 层只做数据准备，所有点评由 LLM 用 Z 哥角色生成。宿主通过 CLI --json 获取结构化数据。

用户输入 → 宿主 (Claude Code / Cursor) → 调用 CLI 工具 (zt analyze / screen / backtest --json)
                                                ↓
                                        Python 层执行真实计算
                                                ↓
                                        JSON 结构化数据返回宿主
                                                ↓
                                        宿主用 Z 哥口吻包装回复

Tushare API → data_sync → SQLite → indicators/ → strategies/ → backtest/
                                              ↓
                                    screener（蜈蚣图 / 沙漏 / 牛绳 / 共振）
                                              ↓
                                    loop_engine（少妇六步闭环）
                                              ↓
                                    simulator（A 股真实约束 + ATR 仓位 + 共振评分 + Walk-forward）
                                              ↓
                                    self_optimizer（Darwin 自优化管线 + Walk-forward 验证）
                                              ↓
                                    SKILL.md (LLM 角色层 + 工具描述)

---

效果示例

问：帮我分析一下亨通光电

用户 > zt analyze 600487.SH

zettaranc ❯ 亨通光电，22.81，跌了1.76%。

         我看看指标——KDJ 还没死叉，J 值 57，还在多头区间。
         MACD 白线在零轴上方，趋势没坏。

         但注意：今天这根阴线放量，而且破了昨日低点。
         这是滴滴战法的触发条件：浮盈的飞一半，浮亏的全清。

         如果你还拿着，现在不是加仓的时候，是先防守。
         等站稳再说。

         综合评分：72.5 ★★★★☆ 推荐
         牛绳理论：牵牛（缺口 +4.1%，白线上升）
         沙漏评分：72/100

问：B1 买点现在还能买吗？

zettaranc ❯ B1 不是想买就能买，得满足三个条件：

         1. 黄线在下面托着（主力在场）
         2. KDJ 的 J 值在 0-30 之间（超卖区）
         3. 成交量不能是地量（要有资金进来）

         你现在这只票，J 值 58，不在超卖区。
         这不是 B1，这是追高。

         记住：宁可错过，不做错。
         错过只是少赚，做错是本金没了。

问：我想辞职全职炒股

zettaranc ❯ 辞职全职炒股？兄弟，我劝你慎重。

         你以为全职炒股是自由？
         是每天早上 9:15 坐在电脑前，
         周末还要研究政策、财报、行业数据。
         这叫自由？这叫给自己找了个 7×24 的老板。

         先兼职做，用闲钱做，把交易系统跑通至少一个牛熊周期。
         选择大于努力。但选择之前，先把基本功练扎实。

问：回测一下万科 A

用户 > zt backtest shaofu 000002.SZ --days 250

zettaranc ❯ 万科 A，跑了 250 天的回测：

         8 笔交易，6 笔赚钱，胜率 75%。
         累计收益 +16.9%，平均持仓 7 天。

         赚钱的关键是什么？沙漏评分 72 分，图形质量不错。
         B1 信号出现时，牛绳虽然断了，但缩量回调到位，
         N 型结构也形成了，所以入场时机抓得准。

         止损只触发了 2 次，说明入场点选得好，
         不是靠扛，是靠等。

问：端到端模拟 000001.SZ

用户 > zt simulate 000001.SZ --days 250 --atr-sizing --json

zettaranc ❯ 平安银行 250 天模拟，A 股真实约束 + ATR 仓位：

         总交易：48 笔   胜率：45.8%   盈亏比：1.62
         总收益：+23.7%   年化：+18.4%   夏普：1.43
         Calmar：1.87   最大回撤：9.8%   回撤恢复：42 天
         平均持仓：6.2 天   最大连胜：5 连   最大连亏：3 连

         关键点：ATR 仓位让单笔风险锁在 2% 以内，
         战法共振过滤避开了 3 次假 B1，少亏 6%。
         这就是「等」的回报。

---

语料基础

调研提炼文件详见 references/research/ 目录（11 份调研报告）。

---

版本规范

遵循语义化版本：MAJOR（心智模型重构 / 架构升级）.MINOR（语料扩展 / 新增模块）.PATCH（排版修复）。

详见 docs/CHANGELOG.md。

---

使用手册

详细的使用手册与操作指南请查看 docs/USER_GUIDE.md，包含：

• 环境配置详解
• 数据库初始化与数据同步
• 六大核心功能完整操作手册
• Python API 调用示例
• 技术指标体系速查
• 战法体系速查
• 日常操作流程（每日 / 每周 / 每月）
• 常见问题 Q&A

启动 Web 看板（可选）

# 安装 FastAPI 依赖
pip install fastapi uvicorn pydantic-settings

# 启动后端（默认端口 8000）
zt-web

# 启动前端（另开终端，默认端口 5173）
cd frontend
npm install
npm run dev

打开浏览器访问 http://localhost:5173 即可使用 Web 看板。

---

质量门

# SKILL.md 12 项质量检查（8 项原始 + 4 项 V2 表面）
python corpus/quality_check.py SKILL.md
python corpus/quality_check.py SKILL.md --strict    # 任一不通过则 exit 1
python corpus/quality_check.py SKILL.md --score     # 输出 0-100 综合分数

# 双轴 Skill 质量评分（确定性 + 可选 LLM 深度评审）
python corpus/dual_axis_review.py SKILL.md

# 单元测试
python -m pytest tests/ -v     # 892 passed, 11 skipped

# Lint + Type
ruff check modules tests
mypy modules/ --ignore-missing-imports

CI 工作流（.github/workflows/test.yml）每周一跑真实数据回归 + 每月跑 SKILL.md 双轴评审。

---

免责声明

此 Skill 用于理解 zettaranc（万千）的思维模式，不构成任何投资建议。金融市场风险极高，任何基于历史信息的交易框架都可能失效。

• 外部可查记录显示 zettaranc 主要经历在私募基金 / 券商资管，最高规模约 11 亿
• 2017 年太平洋证券资管产品「柏悦量化 1 号」全年收益 -9.1%，大幅跑输沪深 300（+21.78%）
• 交易纪律的知行合一是最大瓶颈，Skill 可以提供框架但无法替你执行止损

理解不等于模仿。投资有风险，入市需谨慎。

---

关注公众号

关注「小陈无所事事的一天」，分享日常生活和瞎折腾。

---

仓库关联

---